工业智能化的核心：故障预测与健康管理（PHM）

通过大数据分析能够有效发现问题间的关联性，但对于挖掘问题之间的因果性却相对乏力，而后者恰恰是工业领域实现智能化转型的关键。要实现对于问题因果性的挖掘，就需要结合工业机理知识，在深入了解系统结构和运行逻辑的基础上进行分析及预测。具体到应用的关键点，最核心的一部分是故障预测与健康管理(PHM)。

1）维护策略的发展趋势

设备的维护策略大致可以分为以下几个阶段：被动维护、预防性维护、基于状态的维护，以及基于故障预测的健康管理。

维护策略的发展趋势

被动维护（RM）：在设备发生故障或者停机后进行维修。该方式不具备提前性，不能给维护团队提供备件准备时间，有较长的停机维护时间，在几种维护策略中整体成本最高。

预防性维护（PM）：基于时间和可靠性分析，按照失效率、平均故障间隔时间（MTBF）、平均修复时间（MTTR）等规定维修级别，在固定的时间周期或者使用循环数对设备进行维修维护。然而，失效还是有可能在检测周期的间隙发生，所以故障率虽然降低，但可能会造成一定成本的浪费。

基于状态的维护（CBM）：通过实时的数据采集评估设备的实时状态，依照状态参数的变化有针对性地指定维护决策，是一种主动维护策略。与定期维护相比，CBM可以有效地减少不必要的维修，同时基于实时监控的数据CBM也可以更加有力的保障设备安全高效运行，但还是不能做到最好的优化。

故障预测与健康管理（PHM）：聚焦于对复杂工程系统健康状态的监测、预测与管理。目前设备的可靠性越来越高，亟待解决的不再是维修的问题而是优化运营，PHM通过智能化的方法对设备健康状态进行深度分析，解决显性问题，避免隐性问题，从而提升资产运营效率并优化决策。

2） 数据驱动的PHM建模方法

故障预测与健康管理（PHM）的实现需要状态监测、故障检测诊断、预测、运维优化等多项技术的支撑，本质上是信息的融合，将运行过程中不同维度的数据整合到模型中，再量化成能够反映系统衰退的健康值指标，能够对结构、过程复杂的对象做更为精准的预测。

故障预测包括基于数据驱动、基于机理、基于混合模型，及基于可靠性、统计分析等多种方法，下面主要聚焦到数据驱动的PHM建模，可概括为以下几种不同的思维方式：

数据驱动建模方法

模型比较：模型与机理模型对比，将对比后产生的不同偏移量化成健康值。

自比较：与自身历史趋势对比，将历史状态做一个基线，并认为它是健康的，用当前状态与基线对比，如果有漂移则认为该状态发生衰退。

同类比较：假设多数同类设备是健康的，通过对比找到不健康的设备，并分析失效模式。

不论采用哪种方法，其关键点都是要衡量衰退，所以不同层次的PHM系统对应着不同功能，数据的质量/可用性是其决定使用哪种方法的主要因素。

如果有健康数据，即可用历史数据建立基线，根据基线做健康评估。

如果有故障数据，则对故障数据建模，建立故障的自动分类，即故障诊断。

如果有全生命周期的数据，则可以对这些数据做剩余使用寿命（RUL）预测。

3）PHM为什么在近几年才得以快速发展

其实PHM技术在很早之前已经出现，最早可追溯至JSF, F35舰载机的研发，当时通过PHM预测性维护与健康管理设备故障降低了50%，但是为什么一直到近几年才被广泛应用，我们认为有以下几方面支撑：

第一是检测技术的提升，传感器成本降低。之前很长一段时间在做分析时主要用PLC数据或振动数据，声发射虽然很灵敏，但是由于成本过高而无法普及。近年来随着成本的降低，很多企业开始使用声发射进行分析，其结果也越来越精确。

第二是边缘计算能力增强。之前PLC、IPC等计算能力有限，很多算法无法实现，边缘计算出现后可直接在本地边缘端进行运算。

第三是云计算的快速发展。大规模计算放在本地成本不可控，但是上云之后能有效降低计算及通信成本，推动智能应用的跨域式发展。